08 | TAO & ReAct：走一步看一步，但是怎么走、怎么看？
邓明
你好，我是大明。
前面几讲我们一直在讨论 Plan 和 Replan。简单来说，Plan 解决的是整个任务应该怎么走，而 Replan 解决的是原来的路走不通了，接下来应该怎么改。
这节课我们就来讨论另外一个常见的范式：ReAct 或者 TAO。内容比较多，我会拆分成两讲，这一讲主要是讨论最基本的 ReAct 和 TAO 的实现要点，下一讲会重点讨论怎么提高 ReAct 的效果。
先来学习一点基础知识。
ReAct 和 TAO 是什么？
先简单介绍一下基本概念。ReAct 一般被解释为 Reasoning and Acting，也就是将推理和行动交替进行。
如果你是学生或者是这一年才开始接触 Agent 的，那么你碰到的各种 Agent 差不多都是 ReAct 这种形式。早期的 Agent 通常都是接收用户输入 - 调用大模型直接生成答案。而 ReAct 的运行过程更接近：输入 - 思考 - 执行动作 - 获取结果 - 再次思考 - 再次执行动作 -（多次循环）- 最终输出。
你可以通过这张图来看出两者之间的区别。
举例来说，用户输入：“现在广州天气怎么样？适不适合去爬山？”。此时大模型不能只凭自己的知识回答，因为天气是实时变化的。于是它可以先思考：“我需要先查询广州当前的天气。”，而后执行天气查询工具，拿到天气结果，再继续思考：“当前温度是 33℃，有雷阵雨，因此不适合长时间户外爬山。”
公开
同步至部落
取消
完成
0/2000
荧光笔
直线
曲线笔记
复制
AI
- 深入了解
- 翻译
- 解释
- 总结
仅可试看部分内容，如需阅读全部内容，请付费购买文章所属专栏
《AI Agent 系统设计面试现场》，新⼈⾸单¥59
《AI Agent 系统设计面试现场》，新⼈⾸单¥59
立即购买
© 版权归极客邦科技所有，未经许可不得传播售卖。 页面已增加防盗追踪，如有侵权极客邦将依法追究其法律责任。
登录 后留言
精选留言
由作者筛选后的优质留言将会公开显示，欢迎踊跃留言。
收起评论